[論文レビュー] Algorithms for Internal Validation Clustering Measures in the Post Genomic Era

Filippo Utro|arXiv (Cornell University)|Feb 14, 2011

Gene expression and cancer classification参考文献 151被引用数 5

ひとこと要約

本稿は、マイクロアレイデータ解析における安定性に基づく指標に注目した、内部バリデーションクラスタリング指標のための新規なアルゴリズム的フレームワークを提案する。高速近似アルゴリズムを導入することで、最も速い指標と最も正確な指標の間の時間差を2桁から1桁に短縮し、予測精度を損なうことなく大幅に効率性を向上させるとともに、マイクロアレイクラスタリングにおける非負値行列分解（NMF）の初のベンチマークを提供する。

ABSTRACT

Inferring cluster structure in microarray datasets is a fundamental task for the -omic sciences. A fundamental question in Statistics, Data Analysis and Classification, is the prediction of the number of clusters in a dataset, usually established via internal validation measures. Despite the wealth of internal measures available in the literature, new ones have been recently proposed, some of them specifically for microarray data. In this dissertation, a study of internal validation measures is given, paying particular attention to the stability based ones. Indeed, this class of measures is particularly prominent and promising in order to have a reliable estimate the number of clusters in a dataset. For those measures, a new general algorithmic paradigm is proposed here that highlights the richness of measures in this class and accounts for the ones already available in the literature. Moreover, some of the most representative validation measures are also considered. Experiments on 12 benchmark datasets are performed in order to assess both the intrinsic ability of a measure to predict the correct number of clusters in a dataset and its merit relative to the other measures. The main result is a hierarchy of internal validation measures in terms of precision and speed, highlighting some of their merits and limitations not reported before in the literature. This hierarchy shows that the faster the measure, the less accurate it is. In order to reduce the time performance gap between the fastest and the most precise measures, the technique of designing fast approximation algorithms is systematically applied. The end result is a speed-up of many of the measures studied here that brings the gap between the fastest and the most precise within one order of magnitude in time, with no degradation in their prediction power. Prior to this work, the time gap was at least two orders of magnitude.

研究の動機と目的

• マイクロアレイデータにおける安定性に基づく内部バリデーション指標のための一般的なアルゴリズム的パラダイムの開発。
• 最も速い内部バリデーション指標と最も正確な指標の間の計算時間の差を短縮すること。
• マイクロアレイデータセット上で非負値行列分解（NMF）をクラスタリングアルゴリズムとして初めてベンチマークすること。
• 複数のクラスタリングアルゴリズムとデータセットを用いて、内部バリデーション指標の精度と速度を評価すること。
• 精度と計算効率のトレードオフに基づいた、バリデーション指標の階層的構造の提供。

提案手法

• 安定性に基づく内部バリデーション指標のための一般的なアルゴリズム的パラダイムを提案し、体系的な分析と最適化を可能にする。
• 内部バリデーションインデックスの計算を高速化するための高速近似アルゴリズムを適用し、特に安定性に基づく指標に特化して活用する。
• クラスタの安定性を評価するために、サブサンプリングとノイズ注入をデータの摂動手法として採用する。
• 階層的クラスタリングとK-meansクラスタリングをベースアルゴリズムとして用い、異なるクラスタリング行動におけるバリデーション指標の評価を実施する。
• 12個のベンチマークマイクロアレイデータセットを用いた広範な実験により、バリデーション指標の精度と速度を比較する。
• マイクロアレイデータの文脈において、非負値行列分解（NMF）をクラスタリングアルゴリズムとして導入・評価し、その性能と計算要求を検証する。

実験結果

リサーチクエスチョン

• RQ1 予測精度を損なわせることなく、内部バリデーション指標の計算効率をどのように向上させることができるか？
• RQ2 精度と速度の観点から、安定性に基づくバリデーション指標は他の内部インデックスと比べて相対的にどの程度の性能を示すか？
• RQ3 従来の手法と比較して、マイクロアレイデータセットにおける非負値行列分解（NMF）のクラスタリングアルゴリズムとしての性能はいかがなものか？
• RQ4 異なる内部バリデーション指標において、速度と精度のトレードオフはどのようなものか？
• RQ5 高速近似アルゴリズムは、最も速い指標と最も正確な指標の間の時間差を実際に縮小できるか？

主な発見

• 精度と速度に基づいた内部バリデーション指標の階層が確立され、より速い指標は一貫して精度が低いことが明らかになった。
• 高速近似アルゴリズムを用いることで、最も速い指標と最も正確な指標の間の時間差が2桁から1桁に短縮された。
• 提案された近似手法は、予測力の維持と並行して計算を著しく高速化し、高精度な指標を実用的なものにした。
• マイクロアレイクラスタリングにおける非負値行列分解（NMF）のベンチマークが初めて実施され、その計算コストの高さと潜在的な有用性が明らかになった。
• 安定性に基づく指標は、効率的なアルゴリズムを組み合わせることで、正しいクラスタ数の予測に強く寄与することが示された。
• 結果として、アルゴリズムの最適化が内部バリデーションにおける精度と効率のバランスを効果的に実現できることを示し、大規模ゲノムデータ解析への広範な応用を可能にした。